Logique et Commandes Floues

Dr. B. Talbi
Département d’Electronique
Université Mohamed El Bachir El Ibrahimi de Bordj Bou Arréridj
 Introduction à la Logique Floue
La logique floue s’inspire du mode de raisonnement de
l’être humain qui évalue certaines grandeurs de façon
imprécise ou vague. Dans un problème de régulation,
l’homme ne fonctionne pas selon un modèle mathématique
fait d’équations; mais utilise des termes tels que : un peu
18 mars 2010

trop chaud, aller plus vite, freiner à fond ... et ses

2019/2020

connaissances acquises par expérience.

Paris 13,

Exemple: de règle utilisée quotidiennement implicitement

MCIL5

Si feu est rouge et Si vitesse_véhicule est élevée et Si

de thèse, Univ.
de commandes

feu est proche Alors freiner fort

 Transposition de cette règle sans utiliser le flou:
C. Correia, soutenance

Si feu est rouge et Si vitesse_véhicule est dépasse 48,3

Techniques

km/h et Si feu est à moins de 55,7 Alors freiner avec

une force de 28,9 newtons !!
2 INTRODUCTION à la Logique Floue
 Introduction à la Logique Floue
La logique floue formalise le monde en estimant de
façon approximative les variables d'entrées (faible, élevée,
loin, proche...) et de sorties (freinage léger ou fort) et la
logique floue décide un ensemble de règles permettant de
déterminer les sorties en fonction des entrées.
18 mars 2010
2019/2020

Expérience Information
antérieur extérieurs
MCIL5
de thèse, Univ.
de commandes Paris 13,

Raisonnement humain
C. Correia, soutenance

Prise de
Techniques

décision

3 INTRODUCTION à la Logique Floue

 Introduction à la Logique Floue
 En logique floue, les variables traitées ne sont pas des
variables logiques (binaires) mais des variables
linguistiques proches du langage humain.
 Ces variables sont traitées à l’aide de règles faisant
référence à une certaine connaissance du comportement
18 mars 2010
2019/2020

du système.
Paris 13,

 Deux approches pour le réglage par logique floue:

MCIL5

• Approche analogique: les règles sont appliquées de

de thèse, Univ.
de commandes

façon analogique.
• Approche numérique: les règles sont implémentées sur
C. Correia, soutenance

un microprocesseur.
Techniques

Les organes de contrôle par le flou sont appelés processeur

digital flou ou processeur analogique flou.
4 INTRODUCTION à la Logique Floue
 Introduction à la Logique Floue

 Différents domaines d’applications:

• Appareils électroménagers (Aspirateurs, machines à
laver …).
18 mars 2010

• Systèmes automobiles embarqués (ABS, suspension,

2019/2020

climatisation …).
Paris 13,

• Systèmes de transports (train, métro …).

MCIL5

• Systèmes de contrôle et commande dans la plupart des

de thèse, Univ.

domaines industriels de production, transformation,

de commandes

traitement de produits et de déchets.

C. Correia, soutenance

• Système de diagnostic et de reconnaissance.

Techniques

5 INTRODUCTION à la Logique Floue

 Introduction à la Logique Floue

Pourquoi un contrôleur flou?

 Pour un contrôleur standard (PID ou autre) demande un

modèle le plus précis possible (équations) alors qu’un
contrôleur flou utilise des algorithmes de réglage se
18 mars 2010

basant sur des règles linguistiques du type: Si …. Alors.

2019/2020
Paris 13,

 Le contrôleur reste clair pour tous les utilisateurs du

MCIL5

système.
de thèse, Univ.
de commandes

 Pour les systèmes mal connus ou complexes, un

C. Correia, soutenance

contrôleur flou s’avère très intéressant.

Techniques

6 INTRODUCTION à la Logique Floue

 Introduction à la Logique Floue

Principe de la logique floue

 La logique floue est une branche des mathématiques: elle

18 mars 2010

possède des règles et des principes.

MCIL5 2019/2020
Paris 13,

 Les deux éléments indispensables à cette logique sont:

de thèse, Univ.
de commandes

• Les variables floues

• Les règles d’inférences
C. Correia, soutenance
Techniques

7 INTRODUCTION à la Logique Floue

 Variables linguistiques et les ensembles flous

 Contrairement aux variables binaires à deux états « vrai »

ou « faux », les variables floues possèdent une
graduation entre l’état « vrai » et l’état « faux ».
18 mars 2010
2019/2020

Exemple 1: classement par taille d’un groupe d’individu

MCIL5Paris 13,

• Taille inférieure à 160 cm : sous-groupe des petits.

de thèse, Univ.

• Taille comprise entre 160 et 180 cm: sous-groupe des

de commandes

moyens.
• Taille supérieure à 180 cm : sous-groupe des grands.
C. Correia, soutenance
Techniques

8 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

Représentation binaire des sous-groupes

(Vrai)1 Variable
« petit »
Taille (cm)
(Faux)0
160
18 mars 2010
2019/2020

(Vrai)1 Variable
Paris 13,

« moyen »
MCIL5

Taille (cm)
(Faux)0
de thèse, Univ.

160 180
de commandes

Variable
(Vrai)1
C. Correia, soutenance

« grand »

Taille (cm)
Techniques

(Faux)0
180

9 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

 Cette logique binaire pour classer les individus est simple

mais reste éloignée de la façon de penser de l’être humain.

 L’homme utilise davantage des expressions du genre :

18 mars 2010
2019/2020

• « plutôt petit » pour qualifier une taille inférieure à

160 cm.
Paris 13,

• « plutôt moyen » pour une taille supérieure à 160 cm.

MCIL5
de thèse, Univ.

• « plutôt grand »…
de commandes
C. Correia, soutenance

Le même problème peut donc être représenté à l’aide de

Techniques

variables prenant une infinité de valeurs : ce sont les

variables floues.
10 Variables linguistiques et les ensembles flous
 Variables linguistiques et les ensembles flous

Représentation par logique floue

(Vrai)1 Variable
« petit »
Taille (cm)
18 mars 2010

(Faux)0
160 180
2019/2020
Paris 13,

 La variable prend une infinité de valeurs entre le « vrai »

MCIL5
de thèse, Univ.

et le « faux ».
de commandes

 Cette représentation est plus proche de la réalité mais

C. Correia, soutenance

présente l’inconvénient d’être plus compliquée que la

Techniques

représentation binaire.

11 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

Exemple 2: classification des âges

• Age inférieur à 25 ans: classe « jeune ».

• Age entre 25 et 50 ans : classe « entre deux âges ».
• Age supérieur à 50 ans : classe « âgé».
18 mars 2010
2019/2020

Jeune Entre deux Agé

Paris 13,

(Vrai)1
MCIL5

âges
de thèse, Univ.

Age (années)
(Faux)0
de commandes

25 50
C. Correia, soutenance

 Le passage d’une tranche d’âge à une autre n’est pas

Techniques

brutal et se fait progressivement et individuellement.

12 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

 Les variables peuvent prendre n’importe quelles valeurs

entre 0 et 1 et les limites varient progressivement:

• Une personne de 22 ans appartient à la classe «jeune»

avec une valeur de 0,75 et à la classe «entre deux
18 mars 2010
2019/2020

âges» avec une valeur 0,25,

• Cette quantification s’appelle le degrés
Paris 13,

d’appartenance.
MCIL5
de thèse, Univ.
de commandes

Jeune Entre deux Agé

(Vrai)1 âges
0,75
C. Correia, soutenance

0,25 Age (années)

(Faux)0
Techniques

20 30 50 60

13 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

Définition: un sous-ensemble flou A d’un univers de

discours X, est caractérisé par une fonction
d’appartenance, notée µA, à valeur dans l’intervalle [0,1]
et qui associe à chaque élément x de X un degré
d’appartenance µA(x) indiquant le niveau d’appartenance
18 mars 2010
2019/2020

de x à A. µA(x) = 1 et µA(x) = 0 correspondent

respectivement à l’appartenance et la non-appartenance.
MCIL5Paris 13,

Exemple: évaluation de la température d’un corps

de thèse, Univ.
de commandes

Froid Chaud µChaud (70)=1

1
µFroid(5)=0
C. Correia, soutenance

µchaud(25)=0,6
µchaud(5)=0
µFroid(25)=0,3 µFroid (70)=0 Température(°C)
0
Techniques

5 10 25 30 70

14 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

Définition: une variable linguistique peut être définie à

partir du triplet (x, X, Tx) où x est une variable définie
sur l’univers de discours X et Tx = A1, A2,.. est un
ensemble composé de sous-ensembles flous de X qui
caractérise x. On associe souvent à chaque sous ensemble
18 mars 2010
2019/2020

flou de Tx une valeur ou un terme linguistique.

Paris 13,

Exemple:
MCIL5
de thèse, Univ.

Vitesse Variable linguistique

de commandes

Petite Moyenne Grande Termes linguistiques

1
C. Correia, soutenance

Fonctions d’appartenances
Techniques

0
25 40 65 80 Vitesse (km/h)

15 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

 Types des fonctions d’appartenances

• Fonction triangulaire: la fonction d’appartenance

triangulaire définie par les trois paramètres {a, b, c}
18 mars 2010

avec (a < b < c) qui déterminent les coordonnées des

2019/2020

trois sommets.
Paris 13,

0 x0
MCIL5

xa µ(x)
de thèse, Univ.

 a xb
de commandes

 1
 ( x)   b  a
c  x bxc
C. Correia, soutenance

c b 0 x
0 cx a b c

Techniques

16 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

• Fonction trapézoïdale: la fonction d’appartenance

trapézoïdale définie par les quatre paramètres {a, b, c,
d} avec (a < b < c < d) qui déterminent les
coordonnées des quatre sommets
18 mars 2010
2019/2020
Paris 13,

0 x0
MCIL5

xa µ(x)
 a xb
de thèse, Univ.

b  a
de commandes

 1
 ( x)  1 bxc
d  x
C. Correia, soutenance

 cxd 0 x
d c a b c d
Techniques

0 dx


17 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

  x  m ² 
18 mars 2010

 ( x)  exp   
2019/2020

 2 ² 
MCIL5
de thèse, Univ.
de commandes Paris 13,

µ(x)
C. Correia, soutenance

1
0,6
Techniques

0 x
m

18 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

• Fonction sigmoïde: la fonction sigmoïde est définie

par deux paramètres {a, c} dont l’équation est la
suivante:
1
18 mars 2010

 ( x) 
1  exp   a( x  c) 
2019/2020

La forme du sigmoïde est représentée sur la figure

Paris 13,

suivante où le paramètre a contrôle sa pente au point

MCIL5

de croisement x=c.
de thèse, Univ.
de commandes

µ(x)
C. Correia, soutenance

1
Techniques

0 x
c c+2/a
19 Variables linguistiques et les ensembles flous
 Variables linguistiques et les ensembles flous

 Caractéristiques des sous-ensembles flous

• Hauteur: on définit la hauteur d’un sous-ensemble A
de X, par le plus fort degré d’appartenance d’un
élément x à A :
H ( A)  sup(  A ( x)) xX
18 mars 2010
2019/2020

Afin de normaliser un sous-ensemble flou, on posera

MCIL5Paris 13,

généralement H(A)=1.
de thèse, Univ.
de commandes

• Support: le support est défini comme l’ensemble des

éléments de X appartenant au sous-ensemble A :
C. Correia, soutenance

Supp( A)  x  X /  A ( x)  0
Techniques

20 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

• Noyaux: le noyau d’un sous-ensemble flou A de X est

défini comme l’ensemble des éléments x de X
appartenant à A avec un degré d’appartenance égal à 1:
Noy( A)  x  X /  A ( x)  1
18 mars 2010
2019/2020

• Cardinalité: la cardinalité du sous-ensemble A de X est

définie par
Paris 13,

A  
MCIL5

A ( x)
de thèse, Univ.

xX
de commandes

• Coupe de niveau : pour toute valeur α de [0,1], la

coupe de niveau α d’un sous-ensemble flou A de X est
C. Correia, soutenance

définie par le sous-ensemble:

  cut ( A)  x  X /  A ( x)  
Techniques

21 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

 Opérateurs des sous-ensembles flous

Comme pour la théorie des ensembles classiques, on
définit pour les sous-ensembles flous des opérateurs
d’union, d’intersection et de compléments. Soient A et B,
18 mars 2010

deux sous-ensembles flous de X. Ces deux sous-

2019/2020

ensembles sont égaux, si en tout point x de X :

MCIL5Paris 13,

x  X ,  A ( x)  B ( x)
de thèse, Univ.
de commandes

De plus, le sous-ensemble flou A est inclus dans le sous-

ensemble flou B si :
C. Correia, soutenance

x  X ,  A ( x)  B ( x)
Techniques

22 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

 Intersection et union de sous-ensembles flous

L’union de deux sous-ensembles flous A et B s’écrit
comme suit :
x  X ,  AB ( x)  max   A ( x), B ( x) 
18 mars 2010
2019/2020

L’intersection de A et B est définie par:

x  X ,  AB ( x)  min   A ( x), B ( x) 
MCIL5Paris 13,

Comme la théorie des ensembles classiques, à ces

de thèse, Univ.
de commandes

opérateurs sont associés les propriétés suivantes :

A  B  B  A, A  B  B  A  Commutivité
C. Correia, soutenance

A  ( B  C )  ( A  B)  C , A  ( B  C )  ( A  B)  C  Associativité
Techniques

A  ( B  C )  ( A  B)  ( A  C ), A  ( B  C )  ( A  B)  ( A  C )  Distributivité

23 Variables linguistiques et les ensembles flous

 Variables linguistiques et les ensembles flous

 Complément d’un sous-ensemble flou

Généralement le complément d’un sous-ensemble flou
normalisé A de X, est donné par :
x  X ,  A ( x)  1   A ( x)
C. Correia, soutenance
Techniques MCIL5
de thèse, Univ.
de commandes Paris 13, 18 mars 2010
2019/2020

24 Variables linguistiques et les ensembles flous